Evolutionary Brain-Body Co-Optimization Consistently Fails to Select for Morphological Potential
Door een morfologie-fitnesslandschap van meer dan 1,3 miljoen zachte robots uitputtend in kaart te brengen, onthult deze studie dat hoewel evolutionaire co-optimalisatie van brein en lichaam unieke prestatiewinsten kan opleveren door middel van doelwisseling, het consequent faalt in het selecteren van morfologisch potentieel omdat het veelal veelbelovende nieuw gemuteerde lichamen onderwaardeert en elimineert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een robot probeert te leren lopen. In de wereld van de robotica is er een groot debat over de beste manier om dit te doen. Eén school van denken stelt dat je eerst het lichaam van de robot moet bouwen — precies beslissen hoeveel poten het heeft, hoe lang ze zijn en waarvan ze gemaakt zijn — en dan de "hersenen" (de computercode) moet leren hoe ze dat specifieke lichaam moeten bewegen. Een andere school van denken, genaamd brain-body co-optimization (co-optimalisatie van hersenen en lichaam), suggereert dat je het lichaam en de hersenen tegelijkertijd moet laten evolueren. Het is alsof een wezen opgroeit, waarbij het lichaam van vorm verandert en de hersenen tegelijkertijd leren om die veranderingen te beheersen, net zoals een menselijke baby leert kruipen en lopen terwijl de spieren en botten zich ontwikkelen.
De grote vraag is: werkt het echt beter om het lichaam en de hersenen samen te laten veranderen, of wordt het gewoon een puinhoop? Wetenschappers proberen dit al decennia uit te zoeken, want als we dit goed krijgen, zouden we robots kunnen ontwerpen die ongelooflijk aanpasbaar, efficiënt en in staat zijn tot dingen die we ons nu nog niet kunnen voorstellen. Maar er is een addertje onder het gras: wanneer je het lichaam van een robot verandert, wordt de hersenstructuur die goed was in het besturen van het oude lichaam vaak heel slecht in het besturen van het nieuwe lichaam. Dit maakt het voor computerprogramma's erg moeilijk om te achterhalen welke lichaamsvormen daadwerkelijk de beste zijn, omdat de "score" steeds verandert telkens wanneer het lichaam verandert.
Dit artikel duikt diep in dat rommelige probleem door een enorme, gedetailleerde kaart te maken van elke mogelijke lichaamsvorm van een robot in een specifieke, kleine wereld. De onderzoekers, Alican Mertan en Nick Cheney, bouwden een simulatie met meer dan 1,3 miljoen verschillende zachte robotontwerpen. Ze hebben niet simpelweg geraden welke goed waren; ze hebben een brein getraind voor elk afzonderlijk ontwerp om te zien wat de werkelijke beste prestatie van elke lichaamsvorm kon zijn. Denk aan een gigantisch computerspel waarbij ze elk level hebben gespeeld om de perfecte score te vinden voordat de spelers überhaupt begonnen.
Wat ze vonden, is een beetje verrassend en een beetje frustrerend voor de robots. Wanneer ze hun computerprogramma's lieten proberen om de beste robot te evolueren door zowel het lichaam als de hersenen tegelijkertijd te veranderen, liepen de programma's vaak vast. Ze kozen een lichaamsvorm die er weliswaar oké uitzag, maar omdat de hersenen nog niet perfect getraind waren voor die nieuwe vorm, presteerde de robot slecht. Het computerprogramma zag deze lage score en besloot: "Deze lichaamsvorm is slecht!" en verwijderde deze vervolgens. Maar hier komt de wending: die lichaamsvorm was eigenlijk een van de beste mogelijke ontwerpen! Het had alleen wat meer tijd nodig om de hersenen te leren hoe ze het konden gebruiken. Omdat de computerprogramma's te snel oordeelden, gooiden ze de meest veelbelovende kandidaten weg, waardoor ze vastliepen op middelmatige oplossingen die slechts één kleine verandering verwijderd waren van geweldig te zijn.
De onderzoekers noemen dit "fragile co-adaptation" (fragiele co-adaptatie). Het is als het beoordelen van de snelheid van een nieuwe auto door erin te rijden met een bestuurder die nog nooit dat specifieke model heeft gezien. De auto kan een Ferrari zijn, maar als de bestuurder in de war is, rijdt hij als een trage sedan. De computerprogramma's in de studie gedroegen zich als ongeduldige rechters die de bestuurder ontslagen en de auto gesloopt in plaats van de bestuurder de tijd te geven om te leren.
Echter, het paper vond ook een lichtpuntje. Hoewel de programma's moeite hadden met het vinden van de absoluut beste lichaamsvormen, leidde het proces van het gezamenlijk evolueren van de robot en de hersenen soms tot oplossingen die je niet had kunnen krijgen als je eerst een lichaam zou bouwen en daarna pas een brein zou trainen. Het blijkt dat naarmate het lichaam van de robot door de tijd heen van vorm veranderde, de hersenen gedwongen werden om onderweg nieuwe trucjes te leren. Deze "doelwisseling" (goal-switching) hielp de hersenen om uit lokale vallen te ontsnappen en slimme manieren te vinden om te bewegen die een vast lichaam nooit zou hebben ontdekt.
De belangrijkste les is dus dat hoewel het evolueren van een robotlichaam en de hersenen samen een krachtig idee is, het momenteel erg moeilijk is om dit goed te doen omdat de "hersenen" niet goed zijn in het beoordelen van het potentieel van "lichamen" die ze nog niet hebben ontmoet. De studie suggereert dat we slimmere manieren nodig hebben om deze evoluerende robots meer tijd te geven om te leren voordat we beslissen of hun lichamen goed of slecht zijn. Het is een herinnering aan het feit dat in de wereld van het kunstmatige leven de beste weg vooruit soms niet alleen het vinden van het perfecte ontwerp is, maar het geven van genoeg tijd aan het ontwerp om tot zijn potentieel te groeien.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.